PMSM Tasarım Probleminin Tazmanya Canavarı Optimizasyon Algoritması ile Çözümü

Öz

Bu çalışmada, Kalıcı Mıknatıslı Senkron Motor tasarımı problemi için Tazmanya Canavarı Optimizasyon algoritması çözüm yöntemi olarak kullanılmıştır. Tasarım probleminde verimlilik, stator oluk doluluk oranı ve çıkış gücü gibi performans değerleri eş zamanlı olarak amaç fonksiyonu içerisinde yer almıştır. Problem çözümünde optimize edilmesi gereken değişken değerleri olarak kavrama, ofset, stator oluk eğimi, mıknatıs kalınlığı ve stator oluk alt genişliği değerleri tercih edilmiştir. Elde edilen uygunluk değeri, verimlilik, stator oluk doluluk oranı ve çıkış gücü gibi değerler, başlangıç tasarımı ile karşılaştırılmış ve Tazmanya Canavarı Optimizasyon algoritmasının performans değerlerinin çoğunda iyi sonuçlar verdiği gözlemlenmiştir.

Anahtar Kelimeler

• Tazmanya Canavarı Optimizasyon Algoritması
• Kalıcı Mıknatıslı Senkron Motor
• Meta-sezgisel Algoritmalar

Solving the Design Problem of PMSM with Tasmanian Devil Optimization Algorithm

Abstract

In this study, Tasmanian Devil Optimization algorithm is used as a solution method for Permanent Magnet Synchronous Motor design problem. In the design problem, performance values such as efficiency, stator slot filling ratio, and output power are simultaneously included in the objective function. In the problem solution, embrace, offset, stator slot skew, magnet thickness and stator slot bottom width values are preferred as variables to be optimized. The obtained fitness value, efficiency, stator slot fill factor, and output power values are compared with the initial design and it is observed that Tasmanian Devil Optimization algorithm gives good results in most of the performance values.

Keywords

• Tasmanian Devil Optimization Algorithm
• Permanent Magnet Synchronous Motor
• Meta-heuristic Algorithms

Kaynakça

1. [1] V. I. Vlachou vd., “Overview on Permanent Magnet Motor Trends and Developments”, Energies 2024, Vol. 17, Page 538, c. 17, sayı 2, s. 538, Oca. 2024, doi: 10.3390/EN17020538.
2. [2] R. Islam, I. Husain, A. Fardoun, ve K. McLaughlin, “Permanent-magnet synchronous motor magnet designs with skewing for torque ripple and cogging torque reduction”, IEEE Trans. Ind. Appl., c. 45, sayı 1, ss. 152–160, 2009, doi: 10.1109/TIA.2008.2009653.
3. [3] G. Boztaş, M. Yıldırım, ve Ö. Aydoğmuş, “Design and Optimization of a PMSM for Obtaining High-Power Density and High-Speed”, Turkish J. Sci. Technol., c. 15, sayı 2, ss. 61–70, Eyl. 2020, Erişim: Ara. 24, 2024. [Çevrimiçi]. Available at: https://dergipark.org.tr/en/pub/tjst/issue/56881/729699.
4. [4] H. Kurnaz Araz ve M. Yılmaz, “Design procedure and implementation of a high-efficiency PMSM with reduced magnet-mass and torque-ripple for electric vehicles”, J. Fac. Eng. Archit. Gazi Univ., c. 35, sayı 2, ss. 1089–1109, 2020, doi: 10.17341/gazimmfd.458515.
5. [5] C. Yılmaz, B. Yenipınar, Y. Sönmez, ve C. Ocak, “Optimization of PMSM Design Parameters Using Update Meta-heuristic Algorithms”, Lect. Notes Data Eng. Commun. Technol., c. 43, ss. 914–934, 2020, doi: 10.1007/978-3-030-36178-5_81.
6. [6] M. Mutluer ve O. Bilgin, “Design optimization of PMSM by particle swarm optimization and genetic algorithm”, INISTA 2012 - Int. Symp. Innov. Intell. Syst. Appl., 2012, doi: 10.1109/INISTA.2012.6247024.
7. [7] B. E. Altun, E. Kaymaz, M. Dursun, and U. Guvenc, "Hyper-FDB-INFO algorithm for optimal placement and sizing of FACTS devices in wind power-integrated optimal power flow problem," Energies, vol. 17, no. 23, p. 6087, 2024, doi: 10.3390/en17236087.
8. [8] F. Alpsalaz and M. S. Mamiş, "Detection of arc faults in transformer windings via transient signal analysis," Appl. Sci., vol. 14, no. 20, p. 9335, 2024, doi: 10.3390/app14209335.

9. [9] S. Mirjalili ve A. Lewis, “The Whale Optimization Algorithm”, Adv. Eng. Softw., c. 95, ss. 51–67, May. 2016, doi: 10.1016/J.ADVENGSOFT.2016.01.008.
10. [10] M. Leszczuk, S. Szott, P. Trojovský, ve M. Dehghani, “Pelican Optimization Algorithm: A Novel Nature-Inspired Algorithm for Engineering Applications”, Sensors 2022, Vol. 22, Page 855, c. 22, sayı 3, s. 855, Oca. 2022, doi: 10.3390/S22030855.
11. [11] J. O. Agushaka, A. E. Ezugwu, ve L. Abualigah, “Dwarf Mongoose Optimization Algorithm”, Comput. Methods Appl. Mech. Eng., c. 391, s. 114570, Mar. 2022, doi: 10.1016/J.CMA.2022.114570.
12. [12] A. Seyyedabbasi ve F. Kiani, “Sand Cat swarm optimization: a nature-inspired algorithm to solve global optimization problems”, Eng. Comput., c. 39, sayı 4, ss. 2627–2651, Ağu. 2023, doi: 10.1007/S00366-022-01604-X/TABLES/15.
13. [13] F. A. Hashim ve A. G. Hussien, “Snake Optimizer: A novel meta-heuristic optimization algorithm”, Knowledge-Based Syst., c. 242, s. 108320, Nis. 2022, doi: 10.1016/J.KNOSYS.2022.108320.
14. [14] I. Ahmadianfar, A. A. Heidari, S. Noshadian, H. Chen, ve A. H. Gandomi, “INFO: An efficient optimization algorithm based on weighted mean of vectors”, Expert Syst. Appl., c. 195, s. 116516, Haz. 2022, doi: 10.1016/J.ESWA.2022.116516.
15. [15] M. Azizi, S. Talatahari, ve A. H. Gandomi, “Fire Hawk Optimizer: a novel metaheuristic algorithm”, Artif. Intell. Rev., c. 56, sayı 1, ss. 287–363, Oca. 2023, doi: 10.1007/S10462-022-10173-W/TABLES/4.
16. [16] S. Zhao, T. Zhang, S. Ma, ve M. Chen, “Dandelion Optimizer: A nature-inspired metaheuristic algorithm for engineering applications”, Eng. Appl. Artif. Intell., c. 114, s. 105075, Eyl. 2022, doi: 10.1016/J.ENGAPPAI.2022.105075.
17. [17] J. O. Agushaka, A. E. Ezugwu, ve L. Abualigah, “Gazelle optimization algorithm: a novel nature-inspired metaheuristic optimizer”, Neural Comput. Appl., c. 35, sayı 5, ss. 4099–4131, Şub. 2023, doi: 10.1007/S00521-022-07854-6/FIGURES/13.
18. [18] M. Dehghani, Z. Montazeri, E. Trojovská, ve P. Trojovský, “Coati Optimization Algorithm: A new bio-inspired metaheuristic algorithm for solving optimization problems”, Knowledge-Based Syst., c. 259, s. 110011, Oca. 2023, doi: 10.1016/J.KNOSYS.2022.110011.
19. [19] M. Abdel-Basset, R. Mohamed, S. A. A. Azeem, M. Jameel, ve M. Abouhawwash, “Kepler optimization algorithm: A new metaheuristic algorithm inspired by Kepler’s laws of planetary motion”, Knowledge-Based Syst., c. 268, s. 110454, May. 2023, doi: 10.1016/J.KNOSYS.2023.110454.
20. [20] G. Hong, T. Wei, ve X. Ding, “Multi-Objective Optimal Design of Permanent Magnet Synchronous Motor for High Efficiency and High Dynamic Performance”, IEEE Access, c. 6, ss. 23568–23581, Nis. 2018, doi: 10.1109/ACCESS.2018.2828802.
21. [21] S. ; Zhang vd., “Optimization Design of Permanent Magnet Synchronous Motor Based on Multi-Objective Artificial Hummingbird Algorithm”, Actuators 2024, Vol. 13, Page 243, c. 13, sayı 7, s. 243, Haz. 2024, doi: 10.3390/ACT13070243.
22. [22] M. Dehghani, S. Hubalovsky, ve P. Trojovsky, “Tasmanian Devil Optimization: A New Bio-Inspired Optimization Algorithm for Solving Optimization Algorithm”, IEEE Access, c. 10, ss. 19599–19620, 2022, doi: 10.1109/ACCESS.2022.3151641.
23. [23] S. Duman ve A. Dalcalı, “Optimum design of slot and magnet structure of permanent magnet synchronous generator with teaching-learning-studying-based optimization”, Int. J. Numer. Model. Electron. Networks, Devices Fields, c. 37, sayı 2, s. e3193, Mar. 2024, doi: 10.1002/JNM.3193.